加速度传感器时域积分成位移：漂移消除与工程实践

简介：针对工程振动与信号处理中的位移获取需求，这份压缩包提供了一套基于MATLAB的实用工具脚本。包内共5个m文件，整体仅4KB，轻量易用，包含数据预处理、核心数值积分以及多个功能变体，用户只需输入加速度时程数据，即可连续两次积分得到速度与位移曲线，适用于机械结构动力学、地震工程、车辆平顺性分析等场景。脚本以cumtrapz等数值方法实现时域积分，并兼顾去噪、滤波与可视化等辅助功能，代码结构清晰，便于二次修改与嵌入已有分析流程。目前已有899人下载学习，适合从事动态测试与信号处理的研究人员或工程师快速上手，显著提升加速度数据到位移指标的转换效率。 前几天处理一组现场实测数据时，又碰到了那个老问题：手里传感器的输出是加速度，可业主方要的是位移曲线。CX通道采集到的加速度波形看着很平滑，但直接积分两次出来的位移曲线却一路飘到天上去，零点都拉不回来。做振动测试、结构监测的朋友应该都体会过这种尴尬。今天我就把“CX_加速度时域积分成位移_”这个项目的完整处理思路、实操步骤和踩坑点整理出来，给还在跟漂移较劲的同学一个参考。这里涉及的场景很典型：设备基础振动评估、空气悬架行程估算、堤坝表面位移监测，说白了都是用加速度传感器解决“没有基准点也能测位移”的问题。

这个项目适合用LabVIEW做加速度数据采集和后处理的工程师，也适合正在评估LVDT位移传感器、空气悬架两线加速度传感器、堤坝位移监测方案的现场人员。我尽量把每一步为啥这么做讲清楚，光给代码不给思路的文章太坑人。

1. 项目背景与整体方案选型

1.1 为什么非要把加速度积分成位移

先说清楚一个最基本的疑问：市面上有现成的位移传感器，比如LVDT、激光位移计、电涡流传感器，为什么还要费劲从加速度积分出位移？

真实原因在于安装条件。位移传感器几乎都需要一个固定的参考基准：LVDT的壳体要固定在支架上，测杆顶在被测点上，支架另一端通常要连着一个“不动的东西”。可在很多现场，这个“不动的东西”根本不存在。比如测一台大型设备的机脚振动，设备本身在动，周围没有稳固的参考点，LVDT架不上去；再比如空气悬架系统里的高度估算，减振器上下两端都在相对运动，又不能用一根杆子去支着测。加速度传感器是惯性式的，它不需要任何外部参考点，贴在测点上就能测，安装自由度极高。

在空气悬架系统里，两线加速度传感器的作用就是感知车身垂向振动。它的核心是一个MEMS检测质量块，当车身上下振动时，质量块与外壳之间产生相对位移，这个位移通过电容或压阻效应变成电信号。两线制传感器把供电和信号输出合并到同一对线上，以电流环路方式传输，采集端用一个精密采样电阻把电流转成电压就能读数。ECU拿到加速度之后，需要通过积分得到速度和位移，再结合阻尼器行程做实时调节。这个工况对实时性要求高，不可能专门装一个LVDT去测行程，所以加速度积分反而是最合理的手段。

堤坝位移监测则是另一个按钮：坝体表面低频率的变形位移，可以用GNSS或LVDT做，但如果监测点位分布很密、供电布线困难，工程上也会考虑MEMS加速度计阵测倾角和位移趋势。这种场景低频信号占主导，积分漂移很难靠后处理完全消除，所以它更适合监测“相对趋势”而不是“绝对位移”。这也是我去做这个项目时最想提醒自己的：先搞清楚用户要的是趋势还是绝对值。

1.2 时域积分与频域积分的取舍

加速度积分成位移，在主流做法上有两条路：时域积分和频域积分。时域积分就是把每一帧数据按时间累加，常用数值积分公式如梯形法或Simpson法实现；频域积分则是先做FFT，把加速度频谱在频域上除以(jω)²再IFFT回来，相当于对信号做了一次理想的二次积分。

频域积分看起来很诱人，因为它在频域上相当于对每个频率分量做权重调整，理论上没有逐点累加的漂移。但实际用起来有几个硬前提：信号必须是平稳的、数据段要足够长、窗函数要处理好，否则频谱泄漏会带来很大的端点误差。现场采集的结构振动、车辆行驶振动，大多是非平稳信号，尤其是空气悬架经过减速带的那一刻，频域积分出来的位移曲线往往在数据段两端有明显的振荡，比时域积分还难看。

所以我当时选的是时域积分路线。时域积分逻辑直观，适合流式处理，每采一段就能更新一段，也更容易在积分之后插入去趋势、滤波这些修正步骤。虽然它会有累积漂移的问题，但我们可以通过滤波和去趋势把漂移压到工程可接受的范围内。这个选择不是“哪个高级选哪个”，而是“哪个可控选哪个”。

1.3 项目处理链路总览

整个CX项目的处理流程用一句话概括就是：原始加速度 → 去均值 → 带通滤波 → 第一次积分 → 去趋势 → 第二次积分 → 去趋势 → 输出位移。后面文章第三部分会一步步给出代码和参数。

这条链路里两个最关键的决策点，一是带通滤波的截止频率怎么定，二是每次积分之后的趋势项怎么去。前者决定你能不能保住真实的低频位移分量，后者决定你的位移曲线会不会在几分钟内漂到离谱。接下来我会把这两块的原理和参数逻辑单独展开。

2. 核心细节解析：时域积分误差来源与处理关键

2.1 加速度积分漂移是怎么产生的

加速度传感器积分成位移后之所以漂移，不是算法错了，而是信号里有太多“不该积的项”。理想情况下，振动加速度是一个均值为零的交流信号，积分之后速度的均值也应该是零，再积分位移还是在零附近摆动。现实中的加速度信号包含传感器零偏、温漂、ADC量化噪声、线缆扰动引入的直流偏置。这些微小偏差在积分里会被无限放大。

用一个具体数字感受一下：假设加速度传感器有0.01 m/s²的零偏，这听着不大，只有约1mg。对这样的小常数在时域连续积分10秒，速度会漂移出0.1 m/s；再积分10秒，位移漂移达到0.5 m。而实际振动位移往往只有零点几毫米到几毫米，漂移量比有效信号大两三个数量级。这也是为什么很多人第一次做加速度积分时，输出是一条抛物线，因为恒定零偏的二重积分就是抛物线。

理解了这一点，处理思路就明确了：先在高通滤波环节把低频那部分不想要的零偏和漂移削掉，再在每次积分后用去趋势把残余趋势拉平。但需要注意，高通滤波不能乱用。如果测量对象本身是低频振动，比如堤坝表面的缓慢位移，你把高通截止频率设到1 Hz，那么0.5 Hz的实际位移分量也会被滤掉，输出结果自然不对。

高通截止频率的选择原则是用“你觉得有用的信号最低频率”除以一个安全系数。比如测试设备基础振动，最低关心频率是2 Hz，可以设0.5 Hz~1 Hz的高通；如果关心的是10 Hz以上的振动成分，高通直接设5 Hz，不仅滤掉漂移，还能顺带减少低频干扰。空气悬架这种动态工况，车身垂向频率一般在1~4 Hz，高通通常不会超过0.5 Hz，否则悬架行程的真实低频信息就没了。

2.2 去趋势与重积分标定

每次积分之后都要去趋势，这里的趋势项不只是常数偏移。一次积分后，如果信号里有一个很小的直流偏置，积分结果会带一个线性斜率；二次积分后变成抛物线曲率。所以最简单有效的方法是多项式拟合：对积分后的速度曲线做一阶多项式拟合，然后把拟合直线减掉；对位移曲线做二阶多项式拟合，再减去这个抛物线。

但这里有一个工程判断问题：去趋势的阶数选多高？阶数太高会把真实的信号趋势也滤掉。比如结构低频晃动本身有上升和下降的过程，你用一个二阶多项式去强行贴合，可能会把真实位移的缓慢摆动当误差消掉。我通常的做法是：先看积分后曲线的形态，如果整体是倾斜直线，用一阶；如果看得出明显抛物线，用二阶；如果形态更复杂，再去考虑滤波参数是不是有问题，而不是盲目提高去趋势阶数。

另一个容易被忽略的问题是零速起点校验。如果工况允许，加速度传感器在积分前应该有一段静止状态的数据，用这段数据的平均值来估计传感器零偏，然后从整段信号中扣除。这个“先对齐零点再积分”的习惯，比我前面说的通用高通滤波更有效，因为它是针对当前传感器当前温度状态做的零偏补偿。我在CX项目里就是让现场先记录了5秒静止基线，再做后面所有处理。

2.3 验证方法：与LVDT位移传感器对拍

算法做得再好，也需要一个“尺子”来校验。项目里我习惯在测点旁边同时布一只LVDT位移传感器，或激光位移传感器，用同一台采集仪同步采集。LVDT工作原理就是磁芯在线圈中移动，从而改变互感量，输出与位移成比例的电信号。它可靠性高、量程覆盖毫米到几十毫米级别，在堤坝位移监测、结构裂缝监测里很常用，拿来做加速度积分结果的参照非常合适。

对拍时不需要完全重合，重点看两件事：第一个是波形的相位趋势是否一致，积分位移的波峰波谷发生时刻是否和LVDT对得上；第二个是峰峰值或RMS值的相对误差能不能压到10%以内。如果趋势对得上但幅值差很多，大概率是滤波把真实低频削掉了；如果幅值接近但相位差，可能积分起始点的估计算法里还有问题。对拍数据不用全流程比对，只要截取10~20秒的典型工况就够了。

3. 实操过程：基于LabVIEW与Python的加速度数据处理流程

3.1 采集端配置与传感器接线要点

先从采集说。硬件上这次用的是工业级MEMS加速度传感器，供电是两线制，即电源正极、信号正极共用一根线，另一根是公共负端。传感器内部把加速度调制成一个电流信号，比如0~5 mA对应-2g~+2g，采集端串一个250Ω采样电阻，电流流经电阻就变成0~1.25V电压，进采集卡AD。

接线时容易出现一个问题：采样电阻的压降会影响传感器供电电压。传感器需要至少5V供电，如果供电线又长又细，线阻带来的压降可能让传感器供电不足，输出偏置和灵敏度都飘。所以两线制传感器供电线尽量用0.5平方以上，采集端电阻选低温漂精密电阻，我用的是0.1%精度、25ppm/°C的250Ω。

采样率设置上，一般按“最高分析频率5~10倍”来取。做设备振动监测，关心到500 Hz的高频成分，采样率至少5 kHz；做空气悬架垂向运动，关心到20 Hz就了不起了，但为了后续滤波稳定，我仍然会把采样率设到200 Hz以上。别为了省存储空间把采样率压太低，后处理滤波器会出麻烦。

LabVIEW采集程序里，我用DAQmx读取插件，循环中按固定块大小读取连续采样，保存成TDMS或CSV。连续采集时间长了以后，要注意在循环里只保留当前分析窗口数据，别把整段原始数据都堆在内存里。我习惯把原始数据实时落盘到一个CSV文件，再开一个独立流程去做处理，这样即使处理后出问题，原始数据还在。

3.2 预处理：去均值与带通滤波

拿到原始加速度序列后，第一步永远是去均值。不管前面多小心，AD的零点和传感器的零偏都不可能完全为零，把整段加速度的平均值减掉，能消除绝大部分直流项。

第二步是带通滤波。我用的是一阶或二阶巴特沃斯滤波器，因为它通带内平坦、相位响应相对平滑。设计上，高通截止频率按被测对象的最低关心频率来；低通截止频率则设在采样频率的1/4以下，防止高频混叠和噪声。用Python或者LabVIEW实现都是一样的逻辑，代码里直接调现成的滤波器函数就行。

这里有一个小坑：滤波器的初始瞬态会造成数据段前几百个采样点失真。因此滤波后先把数据段起始的0.1秒或1秒丢掉，或者使用滤波器的“padding”选项自动补一段信号，否则这些失真会直接进积分段，造成额外的边缘毛刺。我在CX项目里是统一丢弃起点之后2秒的数据，因为后处理不缺那2秒。

3.3 两次时域积分与趋势修正

滤波之后就是重头戏了：两次积分。Python里有SciPy的cumtrapz可以做梯形法累积积分，但要注意cumtrapz返回的是每个积分区间内的增量累加，返回值长度比输入少1，所以通常用integrate.cumulative_trapezoid之后自己处理一下长度。LabVIEW里直接用“积分x(t)”函数，或者自己写一阶差分+累加，效果差不多。

一个比较稳妥的完整Python处理流程如下，前提是已经把传感器灵敏度换算成物理量，单位是m/s²：

import numpy as np from scipy import signal, integrate # 读加速度数据，单位 m/s² acc = np.loadtxt("acc_data.csv", delimiter=",") # 参数设置 fs = 1000.0 # 采样率 1kHz lowcut = 1.0 # 高通截止频率 highcut = 150.0 # 低通截止频率 # 去均值 acc = acc - np.mean(acc) # 带通滤波 b, a = signal.butter(2, [lowcut / (fs/2), highcut / (fs/2)], btype='band') acc_f = signal.filtfilt(b, a, acc, padtype='odd', padlen=500) # 第一次积分：加速度 -> 速度 vel = integrate.cumulative_trapezoid(acc_f, dx=1/fs, initial=0) # 速度去趋势（一阶） vel_trend = np.polyval(np.polyfit(np.arange(len(vel)), vel, 1), np.arange(len(vel))) vel = vel - vel_trend # 第二次积分：速度 -> 位移 disp = integrate.cumulative_trapezoid(vel, dx=1/fs, initial=0) # 位移去趋势（二阶） t = np.arange(len(disp)) p = np.polyfit(t, disp, 2) disp = disp - np.polyval(p, t) # 输出结果，单位 m np.savetxt("displacement_mm.csv", disp * 1000)

这里两个细节值得单独说。第一，为什么用filtfilt而不是filter？filtfilt是零相位滤波，它先正向滤波一遍再反向滤波一遍，抵消了滤波器自身的相位延迟，也就是滤波后的波峰位置不会发生偏移。对位移这种对相位敏感的参数，零相位处理基本是必须的。第二，为什么每次积分后都要单独去趋势？因为每一次积分都会把残余的误差放大一级，速度的小斜率到了位移里就变成抛物线趋势，如果只在最后去一次趋势，速度里的线性项没处理干净，位移后半段还是会漂。

3.4 输出报表与结果校验

把位移曲线算出来后，我会再和LVDT参考信号做一段对齐比对，计算均方根误差和峰峰值误差。确认结果合理后，将位移曲线、速度曲线、原始加速度曲线一起放进报告里。报告里一定标注：采样率、滤波截止频率、传感器灵敏度、积分算法、去趋势阶数。这些参数不写清楚，报告过两个月回看就是一堆废纸。

4. 常见问题与排查技巧实录

4.1 积分位移发散、直接飘走

这是问得最多的场景。先别急着改代码，按顺序排查：第一，原始加速度有没有去均值？第二，高通滤波器有没有生效？第三，每次积分之后有没有去趋势？第四，高通截止频率是不是设得太低，没有滤掉低频漂移。

如果这几步都做了还是发散，还有一个可能：传感器安装方式有问题，产生了超低频共振。比如磁吸座吸在薄钢板上，钢板本身在低频摆动，传感器测到的其实是安装板的低频运动。这时候去后处理的滤波参数怎么调都没用，先检查安装刚性。解决方法是换夹具，或者把高通截止频率提高到规避安装共振点的值。

4.2 数据段起止点有大毛刺

积分前滤波的瞬态响应是毛刺的主要来源，尤其在数据段的起始端。我在代码里用了filtfilt和padlen，可以减少大部分瞬态，但如果数据段前端恰好有异常冲击，滤波后还是会有过冲。处理经验是：把采集数据多记录一段，处理时专门截掉前10%和后5%的数据，只输出中间的稳定段。这在连续采集场景完全没成本，但能显著提升结果观感。

还有一种末端毛刺是传感器移动或碰撞引起的，比如现场有人踢了一下传感器线。这种突变往往是不可预测的，后处理只能通过阈值判断：如果某段数据的加速度峰值超出预设范围，就把对应的位移输出标记为“异常”。

4.3 现场噪声让积分结果偏大

电磁干扰、线缆晃动、接地环路都可能让加速度信号里混入高频毛刺。高通滤波器解决不了高频噪声，需要低通滤波。我的建议是先把原始加速度做一次FFT，看频谱里有哪些明显的峰值。50 Hz工频干扰就加陷波滤波器；高频毛刺就调低低通截止频率。这两步比盲目调积分参数有效得多。

另外现场接地问题很普遍。传感器、采集卡、电脑各自接地方案不一致，会形成地环路，加速度信号上叠加交流噪声。解决办法是把传感器外壳单独接地，采集卡和电脑用同一个电源插排，尽量不形成电位差。这些话听着基础，但真的很管用。

5. 工程应用扩展与选型建议

5.1 空气悬架系统中的加速度积分实践

空气悬架场景对加速度积分的要求，和项目数据分析不太一样，区别在于实时性和鲁棒性。ECU里做加速度积分不可能像离线处理那样用filtfilt做零相位滤波，因为那需要整段数据，实时系统只能用因果滤波。

工程上常用的做法是把加速度做高通滤波后，集成一个状态观测器，用车辆动力学模型来“修正”积分漂移。简单说，加速度积分出位移后，再用模型预测的悬架行程去互相校准，不让漂移无限累积。如果你在做空气悬架的控制器测试，别直接拿离线处理的那套逻辑去套在线系统。

两线加速度传感器在空气悬架里的安装也要小心，它的测量方向是重力方向还是车身垂向方向，决定你积分出来的位移是不是真实悬架行程。安装时一旦有夹角，重力分量会混入零偏，那就不只是1mg级别的误差了。通常要求安装面水平度误差控制在1°以内，否则要专门做倾角补偿。

5.2 堤坝位移监测这类低频场景怎么办

堤坝位移和地震监测这类低频结构监测，我不推荐用普通MEMS加速度计做积分位移。因为普通的MEMS低频响应在0.1 Hz附近已经开始明显衰减，而且1mg级别的分辨率对毫米级位移来说远远不够。如果非要走加速度路线，至少要选力平衡式或电容伺服加速度计，这类传感器低频性能好、零偏稳定性高，配合GPS或GNSS测点校准才有意义。

堤坝监测更常见的还是直接用LVDT位移计或静力水准仪。LVDT测杆直接固定在坝体测缝两侧，相对位移变化通过输出电压变化感知，没有积分过程就没有漂移，稳定可靠。所以我的选型建议是：低频高精度场景，能用LVDT就不用加速度积分；高频动态场景，没基准点，才考虑加速度积分。

5.3 加速度积分方案与LVDT方案对比

把两种做法放一张表里，选型时一眼就能看清：

这张表不是要分个谁好谁坏，而是帮你判断“这个场景适不适合用加速度积分”。现场没有基准点、或者测量对象是高频动态信号，那就老老实实走加速度积分；现场有基准点、想要绝对位移、还要长期稳定，那LVDT更省心。

做这个CX项目到最后，我心里最深的体会是：加速度时域积分成位移其实不神秘，核心就是“消除直流偏置、合理滤波、积分、去趋势”这四板斧。但每板斧用到什么程度，完全取决于你对信号特征有没有想明白。别一上来就套代码，先把传感器、安装方式、被测对象的频率范围搞清楚，后面80%的坑都能躲开。

最后分享一个个人习惯：我每处理一组数据，都会在输出报告的空白处写上“传感器灵敏度、采样率、滤波截止频率、积分算法、去趋势阶数”这五行，然后是处理人名字和日期。别嫌麻烦，这招已经帮我和同事避免过不止一次“这是谁处理的、用什么参数算的”这种连环追问。做数据处理的活，踏实比花哨管用。

本文还有配套的精品资源，点击获取